google CNN 视频教程
如果你的数据具有某种结构，但你的网络并不需要从头开始学习这个结构，他可能表现的更好，比如字母或者数字的分类识别，这里，即使，数据是RGB结构，颜色不是分类的重要因素，可以采用灰度模型进行分类。
如果你的任务只是确定图片中是否有物体，而不需要指明物体在图片中的位置，这就是平移不变性，位置不一样，但是物体是一样的，在文本中也是一样，有些时候不需要关心你考察的文字在文本的哪个段落，这叫权重共享，当知道两个输入包含相同的信息时，你可以共享他们的权重，并利用这些输入共同训练权重，统计不变性，基本不会随时间空间改变，对于图像，可以使用卷积神经网络，对于一般的文本和序列，则涉及嵌入和循环神经网络。
卷积神经网络是在空间上共享参数的一种神经网络，假设你有一张具有宽度高度和深度的图片，深度是指图片的RGB三色通道，现在拿出图片的一小块(patch),运行一个具有K个输出的小神经网络，在不改变权重的情况下，把这个小神经网络滑过整个图片，这样他的深度宽度长度都与输入不同，得到K个颜色通道，这种操作就叫卷积，如果patch的大小与整个图片一样，那他和普通的神经网络没有区别，正因为有了较小的patch，并且共享权重，卷积网络则是一个深度网络，总的想法是他们形成金字塔形状，底部是一个大而浅的图片，并有3 个颜色通道，通过卷积操作不断挤压空间维度，同事不断增加深度，在顶端，可以放一个分类器，所有空间被压缩成一个表示。patch又是也叫作核(kernel),另一个重要概念是stride(步幅)，它是移动过滤器时平移像素的数量，步幅为1时，输出尺寸与输入大体相同，步幅为2时尺寸为一半，大体是因为取决于在图像边界怎么做，如果从不超过边界，叫有效填充(valid padding)，如果超过边界并有0填充，就回到与输入相同大小的输出图，叫相同填充(same padding)。
如果使用相同填充且步幅为1，则输出高度与宽度与输入相同，我们想输入图像添加0只为了让尺寸相同，如果是有效填充步幅为1，则不会存在填充，如果你不适用填充且要让你的小过滤器与输入图像匹配，则需要在图片的一半溢出一列和一行，因此宽度长度减2，如果步幅为2，则减一半。
| Padding | Stride | Width | Height | Depth |
|---|---|---|---|---|
| Same | 1 | 28 | 28 | 8 |
| Valid | 1 | 26 | 26 | 8 |
| Valid | 2 | 13 | 13 | 8 |
就是这样，你可以构建一个简单的卷积网络，你不必自己实现把卷积叠加起来，然后尝试使用降维的方法，一层一层的增加网络深度，一旦你得到一个既深又窄的表示，把所有这些连接到基层常规的全连接层(fully connected layer),你就可以训练你的分类器了，你可能好奇训练和链式法则是怎样，特别是当想这样使用共享权重时，其实啥也没发生，就和公式一样，你只是将图片中所有位置的微分叠加了起来。注意，全连接层是一个标准的非卷积层，将所有输入连接到输出的神经元上，也叫密集层。
池化(poling)能更好的降低金字塔中特征图的空间范围，目前为止，我们已经使用调整的步幅来平移滤波器，每次移动几个像素从而降低特征图的尺寸，他移除了很多信息，如果我们不采用每两个卷积跳过一个，而依然执行非常小的步幅，比如说1，但是我们通过某种方法把向邻近的所有卷积结合在一起，这就叫池化，最常见的是max pooling，在特征图的每一个点，查看它周围很小范围的点，计算附近所有点的最大值，使用最大池化有很多优点，首先，他不会增加参数数量，所有不用担心过拟合，其次，他通常会提高模型的准确性，然而，由于在非常低的步幅下进行卷积，模型必然需要更多的计算量，且有更多的超参数需要调整，比如池区尺寸和池化步幅，他们不必完全一样，一种典型的卷积神经网络为几层卷积和最大池化交替，然后在最末端连接几层全连接层。另一种形式是平均池化，相比于采用最大值，采用了周围像素窗口的平均值，像是给输入图片提供了一个低分辨率图片。
1*1 convolutions.他关注的不是图像，而仅仅是像素，传统的卷积基本上是运行在一小块图像上的小分类器，但仅仅是线性分类器，但如果加上了1*1卷积，运行在一块图像上的神经网络代替了线性分类器，在军及分布中三步一些1*1卷积是一种使模型变得更深的低时高效的方法，并且会有更多参数，但并未完全改变神经网络结构。
Inception module。它的原理是在你的卷积网络的每一层，你可以选择池化运算，卷积运算，然后你需要决定使用1*1、3*3还是5*5大小的卷积，所有这些实际上对你的网络的建模能力都是有益的，所以何必选呢，把他们都选上吧，inception模型就是这样的，他不是一个单一的卷积，而是平均池化后跟1*1，然后是1*1卷积，然后1*1后跟3*3，然后1*1后跟5*5，然后在顶部，你只需要链接每个的输出即可，看起来很复杂，但有趣的是，你可以选择这些参数，是模型的参数总数要小，而且比简单的卷积网络要好。
